基于模糊神经网络的变压器故障诊断技术研究

随着社会经济的快速发展，人们对电力的需求越来越高，我国政府对电力行业的安全更加重视。变压器作为整个电力系统最重要的设备之一，其可靠性关系到整个电力系统能否安全稳定运行，所以对变压器进行故障诊断具有重大实际意义。当前电力系统设备维修模式已从传统的“定期维修”向科学合理的以可靠性为中心的“状态维修”转变。变压器油中溶解气体分析（DGA）技术是已被证实确实有效的“状态维修”技术，也是当前变压器故障诊断的主要方法，本文故障诊断数据就是DGA数据。 变压器故障发展过程就是DGA数据与故障类型之间的非线性关联过程，难以用具体的数学模型表达出来。神经网络推理速度快，具有容错、联想、自学能力，其网络权值系数通过不断吸取知识进行自我训练还可以再度优化。将神经网络应用变压器故障诊断，无须人工干预，确立DGA数据与故障类型的非线性映射，预测故障的早期症状。针对变压器DGA数据与故障类型间的非线性关系，建立了BP网络故障诊断模型，应用BP算法与改进BP算法对网络进行训练，并做比较分析，训练好的网络对故障进行诊断，并给出了诊断结果，其中变学习速率动量法诊断正确率最高，为83.3%。BP网络因存在局部极小、收敛速度慢等问题，其识别率难以提高，网络性能不能满足实际需要。 模糊神经网络弥补模糊系统与神经网络的单一与不足，具有神经网络的容错、自学能力，兼有模糊逻辑表达结构性知识和推理能力。为了进一步提高故障识别率与诊断精度，建立了基于模糊神经网络的变压器故障诊断模型，同时本文引进高斯型隶属函数变学习速率动量法与改进梯度变量模糊神经网络算法对网络模型进行优化，与基于梯度法模糊神经网络做了仿真比较，仿真结果表明优化效果较好，并对变压器故障样本做了识别，其中高斯型隶属函数变学习速率动量法模型的识别率为91.7%，基于改进梯度变量模糊神经网络算法的识别率为94.4%。 对神经网络与模糊神经网络两种模型的诊断效果做了对比分析，结果表明模糊神经网络用于变压器故障诊断效果较好，高斯型隶属函数变学习速率动量法与改进梯度变量模糊神经网络算法有效提高了诊断效率和精度。最后，对变压器进行了综合诊断，诊断结果与实际相符。